突破Pytorch核心点，CNN ！！！

哈喽，我是小壮！

创建卷积神经网络（CNN），很多初学者不太熟悉，今儿咱们来大概说说，给一个完整的案例进行说明。

CNN 用于图像分类、目标检测、图像生成等任务。它的关键思想是通过卷积层和池化层来自动提取图像的特征，并通过全连接层进行分类。

原理

1.卷积层（Convolutional Layer）：

卷积层使用卷积操作从输入图像中提取特征。卷积操作涉及一个可学习的卷积核（filter/kernel），该核在输入图像上滑动，并计算滑动窗口下的点积。这有助于提取局部特征，使网络对平移不变性更强。

公式：

其中，x是输入，w是卷积核，b是偏置。

2.池化层（Pooling Layer）：

池化层用于减小数据的空间维度，减少计算量，并提取最显著的特征。最大池化是常用的一种方式，在每个窗口中选择最大的值。

公式（最大池化）：

3.全连接层（Fully Connected Layer）：

全连接层用于将卷积和池化层提取的特征映射到输出类别。它连接到前一层的所有神经元。

实战步骤和详解

1.步骤

• 导入必要的库和模块。
• 定义网络结构：使用nn.Module定义一个继承自它的自定义神经网络类，定义卷积层、激活函数、池化层和全连接层。
• 定义损失函数和优化器。
• 加载和预处理数据。
• 训练网络：使用训练数据迭代训练网络参数。
• 测试网络：使用测试数据评估模型性能。

2.代码实现

import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms # 定义卷积神经网络类 class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() # 卷积层1 self.conv1 = nn.Conv2d(in_channels=1, out_channels=16, kernel_size=3, stride=1, padding=1) self.relu = nn.ReLU() self.pool = nn.MaxPool2d(kernel_size=2, stride=2) # 卷积层2 self.conv2 = nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3, stride=1, padding=1) # 全连接层 self.fc1 = nn.Linear(32 * 7 * 7, 10) # 输入大小根据数据调整 def forward(self, x): x = self.conv1(x) x = self.relu(x) x = self.pool(x) x = self.conv2(x) x = self.relu(x) x = self.pool(x) x = x.view(-1, 32 * 7 * 7) x = self.fc1(x) return x # 定义损失函数和优化器 net = SimpleCNN() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(net.parameters(), lr=0.001) # 加载和预处理数据 transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform) train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=64, shuffle=True) # 训练网络 num_epochs = 5 for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): optimizer.zero_grad() outputs = net(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() if (i+1) % 100 == 0: print(f'Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{len(train_loader)}], Loss: {loss.item()}') # 测试网络 net.eval() with torch.no_grad(): correct = 0 total = 0 for images, labels in test_loader: outputs = net(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() accuracy = correct / total print('Accuracy on the test set: {}%'.format(100 * accuracy))

这个示例展示了一个简单的CNN模型，使用MNIST数据集进行训练和测试。

接下来，咱们添加可视化步骤，更直观地了解模型的性能和训练过程。

可视化

1.导入matplotlib

import matplotlib.pyplot as plt

2.在训练过程中记录损失和准确率：

在训练循环中，记录每个epoch的损失和准确率。

# 在训练循环中添加以下代码 train_loss_list = [] accuracy_list = [] for epoch in range(num_epochs): running_loss = 0.0 correct = 0 total = 0 for i, (images, labels) in enumerate(train_loader): optimizer.zero_grad() outputs = net(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() if (i+1) % 100 == 0: print(f'Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{len(train_loader)}], Loss: {loss.item()}') epoch_loss = running_loss / len(train_loader) accuracy = correct / total train_loss_list.append(epoch_loss) accuracy_list.append(accuracy)

3.可视化损失和准确率：

# 在训练循环后，添加以下代码 plt.figure(figsize=(12, 4)) # 可视化损失 plt.subplot(1, 2, 1) plt.plot(range(1, num_epochs + 1), train_loss_list, label='Training Loss') plt.title('Training Loss') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() # 可视化准确率 plt.subplot(1, 2, 2) plt.plot(range(1, num_epochs + 1), accuracy_list, label='Accuracy') plt.title('Accuracy') plt.xlabel('Epochs') plt.ylabel('Accuracy') plt.legend() plt.tight_layout() plt.show()

这样，咱们就可以在训练过程结束后看到训练损失和准确率的变化。

导入代码后，大家可以根据需要调整可视化的内容和格式。